Embed Size (px)
Citation preview
Recomendación UIT-R P.1057-4 (07/2015)
Distribuciones de probabilidad para establecer modelos de propagación
de las ondas radioeléctricas
Serie P
Propagación de las ondas radioeléctricas
ii Rec. UIT-R P.1057-4
Prólogo
El Sector de Radiocomunicaciones tiene como cometido garantizar la utilización racional, equitativa, eficaz y económica
del espectro de frecuencias radioeléctricas por todos los servicios de radiocomunicaciones, incluidos los servicios por
satélite, y realizar, sin limitación de gamas de frecuencias, estudios que sirvan de base para la adopción de las
Recomendaciones UIT-R.
Las Conferencias Mundiales y Regionales de Radiocomunicaciones y las Asambleas de Radiocomunicaciones, con la
colaboración de las Comisiones de Estudio, cumplen las funciones reglamentarias y políticas del Sector de
Radiocomunicaciones.
Política sobre Derechos de Propiedad Intelectual (IPR)
La política del UIT-R sobre Derechos de Propiedad Intelectual se describe en la Política Común de Patentes
UIT-T/UIT-R/ISO/CEI a la que se hace referencia en el Anexo 1 a la Resolución UIT-R 1. Los formularios que deben
utilizarse en la declaración sobre patentes y utilización de patentes por los titulares de las mismas figuran en la dirección
web http://www.itu.int/ITU-R/go/patents/es, donde también aparecen las Directrices para la implementación de la Política
Común de Patentes UIT-T/UIT-R/ISO/CEI y la base de datos sobre información de patentes del UIT-R sobre este asunto.
Series de las Recomendaciones UIT-R
(También disponible en línea en http://www.itu.int/publ/R-REC/es)
Series Título
BO Distribución por satélite
BR Registro para producción, archivo y reproducción; películas en televisión
BS Servicio de radiodifusión (sonora)
BT Servicio de radiodifusión (televisión)
F Servicio fijo
M Servicios móviles, de radiodeterminación, de aficionados y otros servicios por satélite conexos
P Propagación de las ondas radioeléctricas
RA Radioastronomía
RS Sistemas de detección a distancia
S Servicio fijo por satélite
SA Aplicaciones espaciales y meteorología
SF Compartición de frecuencias y coordinación entre los sistemas del servicio fijo por satélite y del
servicio fijo
SM Gestión del espectro
SNG Periodismo electrónico por satélite
TF Emisiones de frecuencias patrón y señales horarias
V Vocabulario y cuestiones afines
Nota: Esta Recomendación UIT-R fue aprobada en inglés conforme al procedimiento detallado en la
Resolución UIT-R 1.
Publicación electrónica
Ginebra, 2016
UIT 2016
Reservados todos los derechos. Ninguna parte de esta publicación puede reproducirse por ningún procedimiento sin previa autorización
escrita por parte de la UIT.
Rec. UIT-R P.1057-4 1
RECOMENDACIÓN UIT-R P.1057-4
Distribuciones de probabilidad para establecer modelos
de propagación de las ondas radioeléctricas
(1994-2001-2007-2013-2015)
Cometido
Esta Recomendación describe las diversas distribuciones de probabilidad para establecer modelos y realizar
predicciones de la propagación de las ondas radioeléctricas.
La Asamblea de Radiocomunicaciones de la UIT,
considerando
a) que la propagación de las ondas radioeléctricas está asociada principalmente con un medio
aleatorio, lo que hace necesario analizar los fenómenos de propagación con métodos estadísticos;
b) que, en la mayoría de los casos, es posible describir satisfactoriamente las variaciones de los
parámetros de propagación en el tiempo y en el espacio sobre la base de distribuciones estadísticas
conocidas;
c) que, por consiguiente, es importante conocer las propiedades fundamentales de las
distribuciones de probabilidad más comúnmente utilizadas en las estadísticas de los estudios de
propagación,
recomienda
1 que para la planificación de los servicios de radiocomunicaciones y para la predicción de los
parámetros de calidad de funcionamiento de los sistemas se utilice la información estadística
pertinente al modelo de propagación proporcionado en el Anexo 1;
2 que el procedimiento paso a paso suministrado en el Anexo 2 se utilice para aproximar una
distribución acumulativa complementaria mediante una distribución acumulativa complementaria
log-normal.
Anexo 1
Distribuciones de probabilidad para establecer modelos
de la propagación de las ondas radioeléctricas
1 Introducción
La experiencia ha mostrado que la información sobre los valores medios de las señales recibidas no
es suficiente para caracterizar la calidad de funcionamiento de los sistemas de radiocomunicaciones,
por lo que se han de tener también en cuenta las variaciones en función del tiempo, del espacio y de
la frecuencia.
El comportamiento dinámico de las señales deseadas e interferentes desempeña un papel decisivo en
el análisis de la fiabilidad del sistema y en la elección de los parámetros del sistema, tal como el tipo
de modulación. Es esencial conocer el alcance y la rapidez de las fluctuaciones de la señal para poder
especificar parámetros como, el tipo de modulación, la potencia de transmisión, la relación de
protección contra la interferencia, las medidas de diversidad, el método de codificación, etc.
2 Rec. UIT-R P.1057-4
Para la descripción de la calidad de funcionamiento de un sistema de comunicaciones a menudo es
suficiente observar la serie temporal de la fluctuación de las señales y caracterizar estas fluctuaciones
como un proceso estocástico. Sin embargo, para establecer modelos de las fluctuaciones de las señales
con el propósito de predecir el funcionamiento del sistema radioeléctrico, se requiere además el
conocimiento de los mecanismos de interacción de las ondas radioeléctricas con la atmósfera
(atmósfera neutra e ionosfera).
La composición y el estado físico de la atmósfera es muy variable en el espacio y en el tiempo. Por
tanto, el establecimiento de modelos de interacción de la onda, exige el uso extensivo de métodos
estadísticos para caracterizar diversos parámetros físicos que describan la atmósfera, así como los
parámetros eléctricos que definen el comportamiento de la señal y los procesos de interacción que
relacionan estos parámetros.
A continuación, se proporciona información general sobre las distribuciones de probabilidad más
importantes. Esto puede suministrar un antecedente común a los métodos estadísticos para la
predicción de la propagación utilizados en las Recomendaciones de la Comisiones de Estudio de
Radiocomunicaciones.
2 Distribuciones de probabilidad
Los procesos estocásticos se describen generalmente mediante una función de densidad de
probabilidad o mediante una función de distribución acumulativa. La función de densidad de
probabilidad, designada aquí por p(x) para la variable x, es de naturaleza tal que existe una
probabilidad p(x) dx de que x tome un valor comprendido en el intervalo infinitesimal de x a x + dx.
La función de distribución acumulativa, designada F(x), determina la probabilidad de que la variable
tome un valor inferior a x, es decir, que estas funciones están relacionadas como sigue:
)()( xFdx
dxp
o:
x
c
ttpxF d)()(
donde:
c es el límite inferior de los valores que puede tomar t.
Las siguientes distribuciones son las más importantes y las utilizadas corrientemente en la
propagación de las ondas radioeléctricas:
– distribución normal o gaussiana,
– distribución log-normal,
– distribución de Rayleigh,
– distribución combinada log-normal y de Rayleigh,
– distribución de Nakagami-Rice (distribución n de Nakagami),
– distribución gamma y distribución exponencial,
– distribución m de Nakagami,
– distribución 2 de Pearson.
Rec. UIT-R P.1057-4 3
3 Distribución normal
Esta distribución se aplica a una variable continua de cualquier signo. La densidad de probabilidad
tiene la forma:
p(x) = e–T(x) (1)
donde T(x) es un polinomio de segundo grado no negativo. Si se utilizan como parámetros el valor
medio, m, y la desviación típica, , p(x) se escribe en la forma usual:
2
2
1exp
2
1)(
mxxp (2)
de donde:
xmx
tmt
xF2
erf12
1d
2
1exp
2
1)(
2
(3)
con:
zt tz
0
– de2
)(erf2
(4)
Las líneas continuas de la Fig. 1 representan las funciones p(x) y F(x) siendo m igual a cero y igual
a la unidad. La distribución normal acumulativa F(x) se tabula generalmente en forma reducida, para
las mismas condiciones. El Cuadro 1 da la correspondencia entre x y F(x) para ciertos valores
redondeados sea de x sea de F(x).
CUADRO 1
x 1 – F(x) x 1 – F(x)
0 0,5 1,282 10–1
1 0,1587 2,326 10–2
2 0,02275 3,090 10–3
3 1,350 10–3 3,719 10–4
4 3,167 10–5 4,265 10–5
5 2,867 10–7 4,753 10–6
6 9,866 10–10 5,199 10–7
5,612 10–8
En los cálculos prácticos se puede representar F(x) mediante funciones aproximadas como, por
ejemplo, la siguiente, que es válida para x positivo con un error relativo inferior a 2,8 10–3:
51,5339,0661,02
)2/(exp)(1
2
2
xx
xxF (5)
4 Rec. UIT-R P.1057-4
La distribución normal se da sobre todo cuando los valores de la magnitud considerada resultan del
efecto aditivo de varias causas aleatorias, cada una de las cuales tiene una importancia relativamente
pequeña.
En la propagación, la mayoría de las magnitudes físicas que intervienen (potencia, tensión, duración
de un desvanecimiento, etc.) son magnitudes esencialmente positivas, y, por tanto, no pueden
representarse directamente mediante una distribución normal. En cambio, esta distribución interviene
en dos casos importantes:
– para representar las fluctuaciones de una magnitud alrededor de su valor medio (centelleo);
– para representar el logaritmo de una magnitud. Se obtiene entonces la distribución log-normal
que se estudia más adelante.
Existen en el comercio diagramas en los que una de las coordenadas tiene la forma denominada
normal, es decir que la graduación es tal que una distribución normal se representa mediante una
recta. Estos diagramas se utilizan mucho, incluso para representar distribuciones que no son normales.
4 Distribución log-normal
Es la distribución de una variable positiva cuyo logaritmo tiene una distribución normal. Se pueden,
pues, escribir directamente la densidad de probabilidad y la distribución acumulativa:
2ln
2
1exp
1
2
1)(
mx
xxp (6)
2
lnerf1
2
1d
ln
2
1exp
1
2
1)(
2
0
mxt
mt
txF
x
(7)
Sin embargo, en estas relaciones, m y son el valor medio y la desviación típica, no de la variable x
sino del logaritmo de esta variable.
La distribución log-normal se aplica a menudo en propagación, principalmente para magnitudes
relacionadas, bien con un nivel de potencia o de intensidad de campo, bien con una duración. En el
caso de los niveles de potencia o de intensidad de campo como suelen estar expresados sólo en
decibelios a veces se hace referencia a una distribución log-normal simplemente como una
distribución normal, lo cual no es recomendable. En el caso de duraciones (por ejemplo, las
duraciones de los desvanecimientos), la distribución log-normal se utiliza siempre explícitamente,
pues la variable natural es el segundo o el minuto y no su logaritmo.
Como la inversa de una variable que tiene una distribución log-normal tiene también la misma
distribución, ésta se aplica en ciertos casos a intensidades (inversas de la duración). Por ejemplo, se
utiliza para representar la distribución de las intensidades de la lluvia.
Frente a la distribución normal, se puede considerar que la intervención de la distribución log-normal
significa que los valores numéricos de la variable resultan de la acción de numerosas causas de poca
importancia individual, pero que actúan con efecto multiplicador.
Considerándolo en términos numéricos, una distribución log-normal es extremadamente asimétrica,
a diferencia de la distribución normal. En particular, el valor medio, el valor mediano y el valor más
probable (a menudo denominado moda) no son idénticos (véanse las líneas de puntos de la Fig. 1).
Rec. UIT-R P.1057-4 5
Las magnitudes características de la variable numérica x son:
– valor más probable: exp (m – 2)
– valor mediano: exp (m)
– valor medio:
2exp
2
m
– valor cuadrático medio: exp (m + 2);
– desviación típica: 1)(exp2
exp 22
m .
FIGURA 1
Distribución normal y log-normal
P.1057-01
–3 –2 –1 0 1 2 3 4 5 6
x
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Pro
bab
ilid
ad p x( ), normal
F x( ), normal
p x( ), log-normal
F x( ), log-normal
ModaMedia
Mediana
0 0 0
5 Distribución de Rayleigh
La distribución de Rayleigh se aplica a una variable continua positiva no limitada. Está ligada a la
distribución normal del modo siguiente. Dada una distribución normal bidimensional con dos
variables independientes y y z de media cero y con la misma desviación típica , la variable aleatoria:
22 zyx (8)
tiene una distribución de Rayleigh. El valor más probable de x es igual a . La distribución de
Rayleigh representa la distribución de la longitud de un vector que es la suma de un gran número de
vectores de amplitudes similares y cuyas fases tienen una distribución uniforme.
6 Rec. UIT-R P.1057-4
La densidad de probabilidad y la distribución acumulativa vienen dadas por:
2
2
2 2exp)(
xxxp (9)
2
2
2exp1)(
xxF (10)
La Fig. 2 da ejemplos de estas funciones p(x) y F(x) para tres valores distintos de b.
FIGURA 2
Distribución de Rayleigh
p(x) se representa mediante líneas continuas y F(x) mediante líneas de puntos
para tres distintos valores de b: azul b = 1; rojo b = 2; verde b = 4
P.1057-02
x
00
0,2
0,4
0,6
0,8
1
0,5 1 1,5 2 2,5 3 3,5 4
P (
) o
()
xF
x
4,5 5 5,5 6
0,1
0,3
0,5
0,7
0,9
Los valores característicos de la variable son los siguientes:
– valor más probable: 𝑏
√2
– valor mediano: bb 833,02ln
– valor medio: 𝑏
2 √π ≈ 0,886b
– valor cuadrático medio: b
– desviación típica: bb 463,04
1
Rec. UIT-R P.1057-4 7
La distribución de Rayleigh suele utilizarse únicamente en las inmediaciones del origen, es decir,
para valores bajos de x. En ese caso, se tiene:
𝐹(𝑥) ≈𝑥
𝑏2
2 (11)
Esta expresión puede interpretarse de la siguiente manera: la probabilidad de que la variable aleatoria
X tenga un valor inferior a x es proporcional al cuadrado de este valor. Si la variable considerada es
una tensión, su cuadrado representa la potencia de la señal. En otros términos, en una escala en
decibelios, la potencia disminuye 10 dB por cada década de probabilidad. Esta propiedad permite a
menudo saber si un nivel recibido tiene una distribución de Rayleigh, al menos asintóticamente. Sin
embargo, cabe observar que otras distribuciones pueden tener el mismo comportamiento.
En particular, la distribución de Rayleigh se produce en la dispersión causada por dispersores
independientes y situados aleatoriamente en los cuales no domina ninguna componente de dispersión.
Nota: b = √2
6 Distribución combinada log-normal y de Rayleigh
En ciertos casos, la distribución de una variable aleatoria puede considerarse como resultante de la
combinación de dos contribuciones: una distribución log-normal para las variaciones a largo plazo y
una distribución de Rayleigh para las variaciones a corto plazo. La distribución de los valores
instantáneos se obtiene considerando una variable de Rayleigh cuyo valor medio (o valor cuadrático
medio) es en sí una variable aleatoria que tiene una distribución log-normal.
La función de densidad de probabilidad de la distribución combinada log-normal y de Rayleigh es:
uu
mumukxkxx l d2
22expexp2
p2
2
σσ (12)
Y la distribución acumulada de la distribución combinada log-normal y de Rayleigh es:
1 − 𝐹(𝑥) =1
√2𝜋∫ 𝑒𝑥𝑝 {−𝑘𝑥2𝑒𝑥𝑝[−2(σ𝑢 + 𝑚)] −
𝑢2
2}
∞
−∞ (13)
Donde, m y son respectivamente el valor medio y la desviación típica de la distribución normal.
El valor de k depende de la interpretación de σ y m.
1) Si σ y m son la desviación típica y la media del logaritmo natural del valor más probable de
la distribución de Rayleigh, k = ½;
2) Si σ y m son la desviación típica y la media del logaritmo natural del valor mediano de la
distribución de Rayleigh, k = ln 2;
3) Si σ y m son la desviación típica y la media del logaritmo natural del valor medio de la
distribución de Rayleigh, k = π/4; y
4) Si σ y m son la desviación típica y la media del logaritmo natural del valor cuadrático medio
de la distribución de Rayleigh, k = 1.
El valor medio, el valor cuadrático medio, la desviación típica, la mediana y el valor más probable de
la distribución combinada log-normal y Rayleigh son los siguientes:
8 Rec. UIT-R P.1057-4
Valor medio, E:
𝑬 = ∫ 𝑥√2
𝜋𝑘𝑥 [∫ 𝑒𝑥𝑝 {−𝑘𝑥2[−2(σ𝑢 + 𝑚)] − 2(σ𝑢 + 𝑚) −
𝑢2
2} 𝑑𝑢
∞
−∞
]∞
0
𝑑𝑥
=√𝜋
2√𝑘𝑒𝑥𝑝 (𝑚 +
σ2
2)
Valor cuadrático medio, RMS:
𝑅𝑀𝑆 = √∫ 𝑥2√2
𝜋𝑘𝑥 [∫ 𝑒𝑥𝑝
∞
−∞
{−𝑘𝑥2𝑒𝑥𝑝[−2(σ𝑢 + 𝑚)] − 2(σ𝑢 + 𝑚) −𝑢2
2} 𝑑𝑢] 𝑑𝑥
∞
0
=1
√𝑘exp (𝑚 + σ2)
Desviación típica, SD:
𝑆𝐷 = √1
𝑘𝑒𝑥𝑝[2(𝑚 + σ2)] −
𝜋
4𝑘𝑒𝑥𝑝 [2 (𝑚 +
σ2
2)]
=1
√𝑘𝑒𝑥𝑝 (𝑚 +
σ2
2) √𝑒𝑥𝑝(σ2) −
𝜋
4
Valor mediano:
El valor mediano es el valor de x que representa la solución de:
1
2= 1 −
1
√2𝜋∫ 𝑒𝑥𝑝 {−𝑘𝑥2𝑒𝑥𝑝[−2(σ𝑢 + 𝑚)] =
𝑢2
2}
∞
−∞
Es decir,
∫ 𝑒𝑥𝑝 {−𝑘𝑥2𝑒𝑥𝑝[−2(σ𝑢 + 𝑚)] −𝑢2
2}
∞
−∞
𝑑𝑢 = √𝜋
2
Valor más probable:
El valor más probable (es decir, el modo) es el valor de x que representa la solución de:
0d2
22expexp2exp212
22
u
umumukxmukx σσσ
La Fig. 3 muestra una representación gráfica de esta distribución para un número determinado de
valores de la desviación típica, donde se considera que el valor de m es igual a cero.
Esta distribución interviene principalmente en la propagación por inhomogeneidad del medio, cuando
las características de éste tienen variaciones significativas a largo plazo, como, por ejemplo, en la
difusión troposférica.
Rec. UIT-R P.1057-4 9
FIGURA 3
Distribución combinada log-normal y de Rayleigh (con la desviación típica de la
distribución log-normal como parámetro)
P.1057-03
20
10
0
– 10
– 20
– 30
– 40
– 50
– 601 10 30 50 70 90 99
214 12 10 8 6 4 016 dB
,99.9 99,99 99,999
0,001
0,01
0,1
Am
plit
ud (
dB
)
Probabilidad de que se rebase el valor en ordenadas, (1 – ( )) × 100 (%)F x
7 Distribución de Nakagami-Rice (distribución n de Nakagami) (véase la Nota 1)
NOTA 1 – No debe confundirse con la distribución m de Nakagami.
La distribución de Nakagami-Rice se deduce también de la distribución normal, y generaliza la
distribución de Rayleigh. Puede considerarse como la distribución de la longitud de un vector que es
la suma de un vector fijo y de un vector cuya longitud tiene una distribución de Rayleigh. De forma
alternativa, dada una distribución normal bidimensional con dos variables independientes x e y y con
la misma desviación típica , la longitud de un vector que une un punto de la distribución con un
punto fijo, diferente del centro de la distribución, tiene una distribución de Nakagami-Rice.
10 Rec. UIT-R P.1057-4
Si se designa por a la longitud del vector fijo, y la longitud más probable del vector de Rayleigh, la
densidad de probabilidad vendrá dada por:
202
22
2 2exp)(
xaI
axxxp (14)
donde I0 es la función de Bessel modificada de primera especie y de orden cero.
Esta distribución depende de dos parámetros, pero para las aplicaciones a los problemas de
propagación, se deberá elegir una relación entre la amplitud a del vector fijo y la amplitud cuadrática
media 2 del vector aleatorio. Esta relación depende de la aplicación considerada. Las dos
aplicaciones principales son las siguientes:
a) La potencia del vector fijo es constante, pero varía la potencia total de las componentes fija
y aleatoria
Si se estudia la influencia de un rayo reflejado por una superficie rugosa, o si se consideran las
componentes por trayectos múltiples además de la componente fija, la potencia media viene dada por
(a2 + 22). Esta distribución suele definirse en términos de un parámetro K:
2
2
2log10
aK dB (15)
que es la relación entre las potencias del vector fijo y de la componente aleatoria.
b) La potencia total de las componentes fija y aleatoria es constante, pero varían ambas
componentes
Si se estudia la propagación por trayectos múltiples a través de la atmósfera, se puede considerar que
la suma de la potencia transportada por el vector fijo y de la potencia media transportada por el vector
aleatorio es constante, puesto que la potencia transportada por el vector aleatorio proviene de la del
vector fijo. Tomando la potencia total como unidad, se obtiene, pues:
a2 + 22 = 1 (16)
y la fracción de la potencia total transportada por el vector aleatorio es, pues, igual a .2 2
Igualmente, si se designa por X la amplitud instantánea del vector resultante y por x un valor numérico
de esta amplitud, la probabilidad de obtener un nivel instantáneo superior a x viene dada por:
Prob (X x) = 1 – F(x) =
d2
2exp
2exp2
2/
02
2
2
x
aI
a (17)
La Fig. 4 muestra esta distribución para diferentes valores de la fracción de potencia transportada por
el vector aleatorio.
Rec. UIT-R P.1057-4 11
FIGURA 4
Distribución de Nakagami-Rice para una potencia total constante
(con la fracción de potencia transportada por el vector aleatorio como parámetro)
P.1057-04
1
10
0
– 10
– 20
– 30
– 40
– 50
1 10 50 80 90 9995 985 8 5 885
Am
plit
ud (
dB)
Probabilidad de que se rebase el valor en ordenadas, (1 – ( )) × 100 (%)F x
99,9 99,99 99,999
0,001
0,01
0,1
0,025
0,05
0,075
0,125
0,15
0,1
0,2
0,3
0,4
0,5
Para las aplicaciones prácticas, se ha utilizado para las amplitudes una escala en decibelios y, para las
probabilidades, una escala tal que una distribución de Rayleigh se representa mediante una recta. Se
observa que para los valores de la fracción de potencia del vector aleatorio superior a
0,5 aproximadamente, las curvas se acercan a un límite, que corresponde a una distribución de
Rayleigh. Esto se debe a que, en ese caso, el vector fijo tiene una amplitud del mismo orden de
magnitud que la del vector aleatorio y prácticamente ya no se distingue de éste. En cambio, para
pequeños valores de esta fracción, se puede demostrar que la distribución de la amplitud tiende hacia
una distribución normal.
12 Rec. UIT-R P.1057-4
Si bien la amplitud presenta una distribución de Nakagami-Rice, la función densidad de probabilidad
de la fase es:
2
2
2
22
22
cos
2
cos1
cos
21
2
1)(
aa
ea
erfea
p (18)
siendo:
dtexerf t
0
22)( (19)
8 Distribución gamma y distribución exponencial
Contrariamente a las distribuciones precedentes que derivaban de la distribución normal, la
distribución gamma deriva de la distribución exponencial, de la que constituye una generalización.
Se aplica a una variable positiva y no limitada. La densidad de probabilidad es:
xxxp
e
)()( 1 (20)
donde es la función de Euler de segundo orden.
Esta distribución depende de dos parámetros y . Sin embargo, es sólo parámetro de escala de la
variable x. Los valores característicos de la variable son:
– valor medio:
– valor cuadrático medio:
)1(
– desviación típica:
La integral que expresa la distribución acumulativa no puede evaluarse en forma cerrada, salvo para
valores enteros de . En cambio se pueden dar los desarrollos siguientes:
Aproximación mediante una serie con x 1:
....
)2()1(
)(
11)(e
)1(
1)(
2xxxxF x (21)
Aproximación asintótica con x 1:
....
)(
)2()1(11)(e
)(
1)(1
2
1
xxxxF x (22)
Para igual a la unidad, se obtiene la distribución exponencial. Para entero, el desarrollo asintótico
posee un número fijo de términos y da la distribución gamma en forma explícita.
Rec. UIT-R P.1057-4 13
En propagación, los valores interesantes de son los valores muy bajos, del orden de 1 10–2 a
1 10–4. Ahora bien, para próximo a cero, tenemos:
~
)1(~
)(
1 (23)
Por consiguiente, se puede escribir para pequeño y para x no demasiado pequeño:
tt
xF
x
t
de
~)(1
(24)
Para el cálculo práctico, se puede hallar una aproximación a la integral anterior, por ejemplo:
xx
xFx
log0,280,68
e~)(1 (25)
que es válida para < 0,1 y x 0,03.
La distribución acumulativa de la función gamma complementaria para pequeños valores de se
muestra en la Fig. 5. Puede observarse que la probabilidad de que la variable x sea significativamente
superior a cero es siempre pequeña. Esto explica en particular el empleo de la distribución gamma
para representar la intensidad de lluvia, puesto que el porcentaje total de tiempo de lluvia es en general
del orden de 2 a 10%.
9 Distribución m de Nakagami (véase la Nota 1)
NOTA 1 – En este punto m indica un parámetro de la distribución m de Nakagami; no es un valor medio como
en los puntos precedentes de este Anexo.
Esta distribución se aplica a una variable positiva no limitada. La densidad de probabilidad es igual a:
2
e)(
2)( 12
xm
m
m
m
xm
mxp
(26)
es un parámetro de escala que es igual al valor medio de x2.
2x (27)
Esta distribución tiene varias relaciones con las distribuciones anteriores:
– si una variable tiene una distribución m de Nakagami, el cuadrado de esta variable tiene una
distribución gamma;
– para m = 1, se obtiene una distribución de Rayleigh;
– para m = 1/2, se obtiene una distribución normal unilateral.
La distribución m de Nakagami y la distribución de Nakagami-Rice pueden, pues, considerarse como
dos generalizaciones diferentes de la distribución de Rayleigh. Cabe observar que, para señales de
14 Rec. UIT-R P.1057-4
niveles muy bajos, la pendiente de la distribución m de Nakagami tiende hacia un valor que depende
del parámetro m contrariamente a la distribución de Nakagami-Rice, en la cual, la pendiente límite es
siempre la misma (10 dB por década de probabilidad). La Fig. 6 muestra la distribución
acumulativa m de Nakagami para diversos valores del parámetro m.
FIGURA 5
Distribución gamma ( = 1, 0,1)
P.1057-05
7
6
5
4
3
2
1
025 25 25 25
20 10 1 10– 2 10– 310– 1
Var
iabl
e x
Probabilidad de que se rebase el valor en ordenadas,
= 0,1
0,03
0,01
0,003
0,001
0,0003
(1 – ( )) × 100 (%)F x
Rec. UIT-R P.1057-4 15
FIGURA 6
Distribución m de Nakagami ( 12 x )
Probabilidad de que se rebase el valor en ordenadas, (1 – F(x)) × 100 (%)
P.1057-06
Am
plit
ud (
dB)
Probabilidad de que no se rebase el valor en ordenadas,
1,5
0,5
7,5
0,20,50,9
0,99
0,999
0,9999
99,999
99,998
99,995
99,99
99,95
99,9
99,8
99,5
0,1
0,01
99,9899
98
95
90
80
70
50
30
10
1
25252525
10– 1
10– 2
10– 3
10– 4 10– 5
0
– 10
– 20
– 30
– 40
– 50
m = 10
5
3
2
1
(1 – ( )) × 100 (%)F x
16 Rec. UIT-R P.1057-4
10 Distribución 2 de Pearson
La densidad de probabilidad viene dada por la relación:
1–
222
2
2 )(e
22
1)(
2
p (28)
La variable 2 es positiva e ilimitada; el parámetro es un número entero positivo, y se denomina
número de grados de libertad de la distribución. representa la función de Euler de segundo orden.
Según la paridad de se tiene:
par: !122
(29)
impar:
2
1...2
21
22 (30)
La distribución acumulativa viene dada por:
ttF
t
de
22
1)(
122
02
2
2
(31)
El valor medio y la desviación típica son los siguientes:
m (32)
2 (33)
Una propiedad esencial de la distribución de 2 es la siguiente: Si n variables xi tienen distribuciones
de Gauss con una media mi y una desviación típica i, la variable:
2
l
n
ii
ii mx (34)
tiene una distribución de 2 con n grados de libertad. En particular, el cuadrado de una variable de
Gauss tipificada tiene una distribución 2 con un grado de libertad.
Si varias variables independientes tienen distribuciones 2, su suma tiene también una distribución 2 cuyo
número de grados de libertad es igual a la suma de los grados de libertad de cada una de las variables.
La distribución 2 no es esencialmente distinta de la distribución gamma. Se pasa de una a otra
mediante las relaciones siguientes:
x
2
2
(35)
n
2 (36)
Rec. UIT-R P.1057-4 17
Asimismo, se pasa de la distribución 2 a la distribución m de Nakagami por la transformación siguiente:
22
2x
m
(37)
m
2 (38)
La distribución de 2 se utiliza en pruebas estadísticas que sirven para determinar si un conjunto de
valores experimentales de una magnitud (intensidad de lluvia, atenuación, etc.) puede modelizarse
con una distribución estadística dada.
La Fig. 7 da una representación gráfica de esa distribución para cierto número de valores de .
FIGURA 7
Distribución 2
P.1057-07
99,5
99,8
99,9
99,990,01 0,05
0,1
0,2 0,5
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Probabilidad (%) de que no rebase el valor en ordenadas,
( ) × 100%F 2
1
2
3
4
5
6
7
8
9
10
20
30
40
50
1 2 5 10 20 30 40 50 60 70 80 90 95 98 99
= 20
= 15
= 10
= 8
= 5
= 4
= 3
= 2
= 1
= 6
= 12
2
18 Rec. UIT-R P.1057-4
Anexo 2
Procedimiento paso a paso para aproximar una distribución
acumulativa complementaria mediante una distribución
acumulativa complementaria log-normal
1 Antecedentes
La distribución acumulativa log-normal se define como:
2
lnerf1
2
1
dln
2
1exp
1
2
1)(
0
2
mx
tmt
txF
x
(39)
o equivalentemente:
tt
xF
mx
d2
exp2
1)(
ln
2
(40)
De modo similar, la distribución acumulativa complementaria log-normal se define como:
2
lnerf1
2
1
2
lnerfc
2
1
dln
2
1exp
1
2
1)(
2
mxmx
tmt
txG
x (41)
o equivalentemente:
mxQ
tt
xG
mx
ln
d2
exp2
1)(
ln
2
(42)
donde .Q es la integral de la probabilidad acumulativa complementaria normal. Los parámetros m
y pueden estimarse a partir de un conjunto de n pares (Gi,xi) tal como se describe en el párrafo
siguiente.
Rec. UIT-R P.1057-4 19
2 Procedimiento
Estimar los dos parámetros logarítmico-normales m y como sigue:
Paso 1: Construir el conjunto de n pares (Gi,xi), donde Gi es la probabilidad de que xi sea rebasado.
Paso 2: Transformar el conjunto de n pares de (Gi,xi) en (Zi, ln xi),
donde:
iii GGZ 21erf22erfc2 11 o, de modo equivalente, ii GQZ 1
Paso 3: Determinar las variables m y realizando un ajuste de mínimos cuadrados a la función
lineal:
mZx ii ln
como sigue:
n
i
n
i
ii
n
i
n
i
i
n
i
iii
ZZn
xZxZn
1
2
1
2
1 11
lnln
n
Zx
m
n
i
n
i
ii
1 1
ln
